Vision-language models lag human performance on physical dynamics and intent reasoning
تقدم هذه الورقة مفهوم الذكاء التلي-المكاني (TSI) ومعيار EscherVerse لتوضيح أن نماذج الرؤية واللغة الحالية تتخلف بشكل كبير عن الأداء البشري في الاستنتاج المتعلق بالديناميكيات الفيزيائية والنوايا البشرية الكامنة، مما يكشف عن فجوة حرجة بين التعرف على الأنماط والفهم المتجسد الحقيقي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
الفكرة الكبرى: الذكاء الاصطناعي يمكنه الرؤية، لكنه لا "يفهم" لماذا تحدث الأشياء
تخيل أنك تشاهد فيلماً.
- الذكاء الاصطناعي الحالي يشبه كاميرا ذكية جداً يمكنها وصف ما هو موجود على الشاشة بدقة: "رجل يمسك كوباً أحمر. إنه يسير باتجاه الطاولة".
- البشر يشبهون المخرج. نحن لا نرى الكوب فحسب؛ بل نعرف لماذا يسير الرجل إلى هناك. نحن نعلم أنه يشعر بالعطش، وأنه ينوي الشرب، وإذا تعثر، فسيسكب القهوة. نحن نفهم القصة الكامنة وراء الحركة.
تجادل هذه الورقة البحثية بأنه بينما أصبح الذكاء الاصطناعي بارعاً في وصف "ماذا" و"أين"، إلا أنه سيء جداً في فهم "لماذا" و"ماذا سيحدث بعد ذلك" في العالم الحقيقي. ويسمي المؤلفون هذه المهارة المفقودة الذكاء التيلو-مكاني (Teleo-Spatial Intelligence).
المشكلة: "القفص الهندسي"
يقول المؤلفون إن الذكاء الاصطناعي الحالي محبوس في "قفص هندسي".
- القفص: يرى الذكاء الاصطناعي العالم كمجموعة من الأشكال والمسافات الثابتة. هو يعرف أن الكوب يبعد قدمين عن الطاولة.
- الهروب: البشر يرون العالم كتدفق من النوايا. نحن نعرف أن الكوب سوف يتحرك نحو الطاولة لأن الشخص يريد أن يشرب.
التشبيه:
فكر في لعبة فيديو.
- الذكاء الاصطناعي الحالي يشبه "بوت" (Bot) لا يعرف سوى إحداثيات الخريطة. هو يعرف أن "اللاعب موجود عند س، ص".
- الذكاء البشري يشبه لاعباً يعرف الهدف. "اللاعب يركض نحو الباب لأن الزومبي يطارده".
إذا سألت الذكاء الاصطناعي: "أين سيذهب الكوب؟"، فقد يخمن بشكل عشوائي. أما إذا سألت بشراً، فسيقول: "إلى الطاولة، لأن الشخص يشعر بالعطش".
الحل: EscherVerse (نسخة "إم سي إيشر" لاختبار الذكاء الاصطناعي)
لاختبار ما إذا كان بإمكان الذكاء الاصطناعي الخروج من هذا القفص، بنى الباحثون اختباراً جديداً ضخماً يسمى EscherVerse. وقد أطلقوا عليه هذا الاسم تيمناً بـ "إم سي إيشر"، الفنان الشهير برسوماته التي تبدو طبيعية للوهلة الأولى ولكنها تكشف عن منطق مستحيل أو مذهل عند التدقيق فيها.
كيف بنوه:
- المواد الخام: قاموا بجمع أكثر من 11,000 فيديو من العالم الحقيقي من الإنترنت. هذه ليست محاكاة حاسوبية نظيفة؛ بل هي مقاطع حقيقية وفوضوية لأشخاص يقومون بأفعال مختلفة.
- الأسئلة: لم يطرحوا أسئلة بسيطة مثل "هل يوجد كلب؟"، بل طرحوا أسئلة معقدة تعتمد على النوايا مثل:
- "إذا كان الشخص ينوي الشرب، فأين سيتحرك الكوب؟"
- "إذا كان العمود أقصر بمقدار 3 أقدام، فهل سيصل إلى السقف؟"
- "من منظور فارس الخيل، أين يقع الحصان الآخر؟"
لقد أنشأوا 8,000 سؤال لاختبار الذكاء الاصطناعي و35,000 مثال لتعليمه.
النتائج: "الفجوة البشرية"
اختبر الباحثون 27 نموذجاً من أذكى نماذج الذكاء الاصطناعي المتاحة (بما في ذلك أسماء كبيرة مثل GPT-5 وGemini) مقابل هذا الاختبار الجديد. كما طلبوا من 11 بشراً خوض الاختبار دون أي مساعدة.
لوحة النتائج:
- البشر: سجلوا ما بين 85% و95% (المتوسط: 90.6%). البشر ببساطة "فهموا الأمر".
- أفضل ذكاء اصطناعي (Gemini-2.5-Pro): سجل 57.26%.
- الذكاء الاصطناعي الآخر: سجل الكثير منها أقل من 50%، وهو ما يعني أنها كانت تخمن تقريباً.
الاستعارة:
تخيل اختبار قيادة.
- البشر يقودون بأمان، يتوقعون المشاة، ويعرفون متى يضغطون على المكابح.
- الذكاء الاصطناعي يقود مثل روبوت يتبع فقط الخطوط المرسومة على الطريق. إذا تدحرجت كرة خارج الطريق ولحق بها طفل، فإن الذكاء الاصطناعي لا يفهم أن الطفل ينوي الحصول على الكرة، لذا قد يستمر في القيادة في خط مستقيم ويتسبب في حادث.
لماذا يفشل الذكاء الاصطناعي؟ (الـ "اختناقات الإدراكية")
وجد الباحثون ثلاثة أسباب رئيسية تجعل الذكاء الاصطناعي يعلق:
- الارتباط بالمنظور (Perspective Locking): إذا سألت الذكاء الاصطناعي: "ماذا يرى الفارس؟"، فإنه غالباً ما يتجاهل الفارس ويصف فقط ما تراه الكاميرا. لا يمكنه "وضع نفسه في مكان شخص آخر".
- فشل السفر عبر الزمن: يعاني الذكاء الاصطناعي في التنبؤ بالمستقبل. إذا أُلقيت كرة، فلا يمكنه بسهولة حساب أين ستستقر بناءً على الفيزياء ونية الرامي.
- فقدان الـ "لماذا": يرى الذكاء الاصطناعي رجلاً يركض. هو لا يعرف ما إذا كان يركض للحاق بالحافلة أو هرباً من كلب. وبدون معرفة الهدف، لا يمكنه التنبؤ بما سيحدث بعد ذلك.
الأخبار الجيدة والأخبار السيئة
الأخبار الجيدة:
عندما أخذ الباحثون نموذج ذكاء اصطناعي مفتوح المصدر وعلموه خصيصاً باستخدام بيانات "EscherVerse" الجديدة (فيديوهات حقيقية مع أسئلة تعتمد على النوايا)، أصبح الذكاء الاصطناعي أفضل بكثير. فقد قفز من درجة منخفضة إلى ما يقرب من 50%. وهذا يثبت أن البيانات الأفضل تساعد.
الأخبار السيئة:
حتى مع أفضل تدريب، لم يستطع الذكاء الاصطناعي اللحاق بالبشر. الفجوة كبيرة. تعليم الذكاء الاصطناعي التعرف على الأنماط ليس كافياً؛ فهو يحتاج إلى فهم الأهداف البشرية والسبب والنتيجة الفيزيائية بطريقة لا تستطيع الحواسيب الحالية القيام بها بعد.
الخلاصة
نحن نبني ذكاءً اصطناعياً ليقود السيارات، ويساعد في المستشفيات، ويعمل في المصانع. ولكن إذا لم يفهم الذكاء الاصطناعي أن وصول شخص ما إلى كوب يعني أنه يشعر بالعطش، أو أن ركض طفل نحو الشارع يعني أنه قد يتعرض للحادث، فإن هذه الأنظمة ستكون خطيرة.
هذه الورقة البحثية هي صرخة تنبيه: يجب أن نتوقف عن تعليم الذكاء الاصطناعي مجرد "رؤية" الأشكال، ونبدأ في تعليمه فهم القصة، والنية، والمستقبل. وإلى أن نفعل ذلك، سيظل الذكاء الاصطناعي مراقباً ذكياً جداً، لكنه لا يفهم حقاً العالم الذي يعيش فيه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.